指南与共识神经技术与安全MR

迈向关于静息态功能连接MRI全局信号回归的共识

Towards a consensus regarding global signal regression for resting state functional connectivity MRI.
指南 / 共识 · Neuroimage · 2016-11-22

本文由早期得出相反结论的两组作者合作,综述静息态功能连接MRI中全局信号回归(GSR)的相关证据并形成共识。文章指出GSR在数学上强制产生负相关,可引入模拟数据中的伪反相关,但也能去除运动、心肺等非神经全局混杂并改善正相关特异性;没有单一「正确」的处理方式,是否使用GSR取决于科学问题,结果须在所用预处理方法背景下解读。

要点

  • GSR的数学后果是使全脑体素对种子区beta系数均值恰为零、相关分布近似以零为中心,从而必然出现正负相关。
  • 模拟数据显示GSR可引入原本不存在的「伪」反相关;真实人脑fMRI中哪些反相关属伪尚无金标准判定。
  • GSR可去除运动、心脏、呼吸等非神经全局方差并改善正相关特异性,但也可使相关估计更易受头动影响。

核心结论

  • 在静息态功能连接数据处理中加入GSR本身并无对错,是否有用很可能取决于所要回答的科学问题。
  • 不同处理方法可能提供关于脑功能组织的互补信息,没有哪一种方法垄断真理。
  • 结果必须在所用预处理方法的背景下正确解读。

研究设计与样本

  • 本文为针对静息态功能连接MRI中全局信号回归的共识性综述,由早期得出相反结论的两组作者共同撰写。
  • 文章回顾相关文献,梳理共识点并就GSR的使用给出共识声明与推荐。
  • 文中未报告系统检索范围、纳入文献数量或证据分级。

诊断标准与关键数值

  • GSR的数学后果:对任意种子区,全脑体素对种子区beta系数均值恰为零,Pearson相关分布近似以零为中心。
  • 建模研究显示GSR对任意两个网络引入的反相关是其大小的线性函数。
  • 使用3个ROI模拟组比较研究显示,GSR改变局部与长程相关,可在未建模有差异的脑区产生组间差异。
  • GSR的数学并不强制反相关的具体空间分布、组内一致性或组水平随机效应分析后的统计学显著反相关。
  • 包含软组织于全局信号时,与眶部的反相关被作为人脑数据中可能存在伪反相关的证据。

临床应用与阅片要点

  • 使用GSR时须清晰描述方法,并在所应用方法的背景下解读结果。
  • 比较噪声特征不同或神经网络结构不同的组时,应谨慎使用GSR,因其可能对组间产生不同效应。
  • 有综述审稿人鼓励在有和没有GSR的情况下重复分析,以确保结果(尤其反相关)并非仅由GSR预处理造成。
  • 使用无GSR的替代方法去除全局信号时结果通常相当相似,而不做任何全局信号校正的结果可能相当不同;后者无法重复并不意味结果是「伪迹」。
  • 解读结果时应考虑全局信号同时包含神经与非神经成分。

局限性

  • 仅凭fMRI数据难以甚至不可能判断全局信号来自共同的神经波动还是来自具有全局效应的混杂因素波动。
  • 由于没有明确的金标准可供比较,试图回答GSR是否在真实数据中引入伪反相关的研究常得出不同结论。
  • 使用少量区域的建模结果在多大程度上适用于维度可能更高的人脑BOLD数据尚不清楚。
  • 所有预处理方法都会在一定程度上改变相关结构,难以判断这种改变是有益还是有害。
  • 与更简单的GSR相比,复杂替代技术对数据的影响更不直观、研究更少。
全文中译11 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Neuroimage. 2017 Jul 1;154:169–73. doi: 10.1016/j.neuroimage.2016.11.052

引言

神经影像学中的全局信号可定义为所有脑体素平均信号强度的时间序列。由于大多数影像学研究关注的是脑活动的区域特异性变化,且非神经源因素也可能对全局信号有贡献(Birn et al., 2006, Glover et al., 2000, Wise et al., 2004),因此已使用多种方法来校正全局信号变化。全局信号回归(GSR)是通过线性回归从每个体素的时间序列中去除全局信号。该程序最初是为任务态fMRI数据开发并应用的(Aguirre et al., 1998, Macey et al., 2004, Zarahn et al., 1997)。然而,其最大的用途和最大的争议随着静息态功能连接MRI的出现而到来。

2005年的一项里程碑研究在早期工作(Fransson, 2005, Greicius et al., 2003)的基础上,利用静息fMRI数据显示大脑组织为两个截然相反、广泛分布的网络(Fox et al., 2005)。默认模式网络的自发波动与任务正向网络的波动呈反相关(负相关)。这形成了一个引人入胜的叙述,因为这些网络在任务范式中通常被以相反方向调制(Fox et al., 2005, Raichle et al., 2001)。然而,全局信号回归对这些反相关网络的影响并未被探讨。

2009年,两篇论文研究了这一问题,但就静息态功能连接数据处理中是否应使用GSR给出了相反的建议(Fox et al., 2009, Murphy et al., 2009)。Murphy等首次表明GSR在数学上强制要求存在反相关。由于GSR后的反相关可能是处理技术的伪影,Murphy等得出结论不应使用GSR。Fox等复制了这些结果包括数学强制性;然而也发现反相关网络的若干特征不能归因于GSR。由于GSR增强了对系统特异性相关的检测并改善了静息态相关与解剖学之间的对应关系,他们得出结论GSR可能是有益的(Fox et al., 2009)。

此后,许多研究试图确定GSR对于处理和解释静息态功能连接数据是有益还是有害。也有人提出了几种GSR的替代方法,试图校正全局方差但避免“数学强制性”。然而,争论的要点常常被遗漏;关键在于如何解释以特定方式预处理后的相关值。在没有公认金标准的情况下,这一文献持续产生相互矛盾的结论和建议。研究人员在是否使用GSR方面处于困难境地。作为得出相互矛盾结论的两篇早期论文的作者,我们选择合作综述与该问题相关的数据,突出共识点,并就GSR达成共识。

全局信号回归

什么是全局信号?

在没有进行预处理时,静息态相关分布严重偏向正值(Chai et al., 2011, Fox et al., 2009, He and Liu, 2011, Keller et al., 2013, Murphy et al., 2009)。此外,几乎所有体素都与全局信号显示出统计学显著的相关性(Fox et al., 2009)。这表明时间序列中存在某种对所有体素都共有的成分,因此是全局性的。这种全局信号究竟源于共同的神经波动,还是源于具有全局效应的混杂因素(例如动脉CO2)的波动,仅基于fMRI数据难以甚至不可能进行评估。

fMRI信号基于血氧水平依赖(BOLD)对比度。BOLD信号并非神经活动的直接测量,而是代谢(CMRO2)、血流量(CBF)和血容量(CBV)之间复杂的相互作用。任何影响这3个参数之间平衡的现象都会引起静息态BOLD信号的变化,这些变化可能在区域之间产生虚假相关。许多静息态fMRI混杂因素本质上是全局性的,来源于运动、心脏和呼吸周期、动脉CO2浓度、血压/脑自动调节以及血管运动(Murphy et al., 2013)。与这些过程相关的方差会反映在全局信号中;例如,低频呼吸量和心率回归量与全局信号显示显著的共享方差(Chang and Glover, 2009),运动参数也是如此(Power et al., 2014)。GSR降低BOLD频谱功率,Zhu及其同事得出结论,静息信号的很大一部分可归因于血管效应(Zhu et al., 2015)。因此,使用回归(即GSR)从所有体素时间序列中去除全局信号方差,至少可以部分去除这些不需要的全局混杂因素。

然而,除了这些非神经性混杂因素之外,全局信号还包含神经活动的波动。当噪声信号较低时,全局信号类似于大脑中最大簇的时间进程,在真实数据中即为DMN(Chen et al., 2012)。然而,当噪声信号较高时,情况可能并非如此(Fox et al., 2009)。与猴子单个皮层位点LFP自发波动的比较显示,其与几乎整个大脑皮层的fMRI信号呈正相关,证明全局信号与潜在的神经活动紧密耦合(Schoelvinck et al., 2010)。全局信号具有神经成分的进一步证据由其在被试间振幅与EEG觉醒度量之间的负相关所证明(Wong et al., 2013)。睁眼与闭眼条件下全局信号振幅的变化与EEG觉醒的变化相关(Wong et al., 2015)。摄入咖啡因显著降低全局信号振幅并增加EEG觉醒度量(Wong et al., 2012)。此外,诸如动脉CO2变化等生理效应可以全局性地影响神经活动(Driver et al., 2016)。

因此,尽管全局信号反映了数据中的非神经混杂因素,但它也可能包含神经成分,其相对贡献可能取决于所讨论的脑区和数据集(Fox et al., 2009, Wong et al., 2012)。通过GSR去除该信号是好是坏取决于科学问题,在解释结果时必须加以考虑。应研究全局神经成分如何与局灶性静息神经活动相互作用,以全面理解脑功能。

GSR的作用是什么?

GSR使用线性回归来去除全局信号与每个个体体素时间过程之间的共享方差。关于GSR所执行精确代数运算的数学细节以及GSR对残差相关值的最终影响此前已发表(Fox et al., 2009, Murphy et al., 2009)。GSR的代数后果是,对于任何种子点,全脑范围内体素对种子点β系数的平均值恰好为零,且全脑Pearson相关分布变得近似以零为中心。换言之,GSR将任何给定受试者的功能连接值分布从以正值为主转变为既有正值又有负值。若这种转变在受试者之间具有相似的空間拓扑分布,这些负相关在组水平分析中可表现为显著的反相关。

全局信号回归是否有益处?

全局信号回归可以提高正相关的特异性(Fox et al., 2009, Weissenbacher et al., 2009),改善与解剖连接的对应关系(Fox et al., 2009),并有助于去除全局方差的非神经来源,如呼吸(Birn, 2012)和运动(Power et al., 2014, Yan et al., 2013)。因此,使用GSR作为预处理技术有合理的动机。然而,这并不意味着GSR是实现这些益处的最佳或唯一方法。例如,一项研究发现使用GSR的替代方法时解剖特异性更好(Chai et al., 2011)。同样,GSR可能使相关估计更容易受运动影响(Jo et al., 2013),且将头动视为全局混杂因素可能并不恰当(Spisak et al., 2014)。

GSR对重测信度的影响似乎是混合性的。纳入GSR降低了老年人的重测信度(Guo et al., 2012),并在年轻组和老年组中均显示可靠连接的比例较低(Song et al., 2012)。然而GSR提高了受试者内跨扫描功能连接的一致性(Song et al., 2012),对语言网络的时间信度影响可忽略不计(Zhu et al., 2014)。图论指标的重测信度可能被GSR降低(Liang et al., 2012)、升高(Braun et al., 2011)或不受影响(Andellini et al., 2015)。据报道ReHo指标的信度降低(Zuo et al., 2012)。最后,对动脉自旋标记数据使用GSR可改善CBF测量的时间信噪比和重测稳定性(Wang, 2012)。

GSR是否有助于或损害大脑行为关系的检测也取决于具体研究。纳入GSR可使连接性与认知功能之间的关系更强(Hampson等,2010),有助于识别FFA内的面孔敏感区(Kruschwitz等,2015),并有助于从局灶性脑损伤预测症状(Boes等,2015)。相反,GSR损害了在自闭症谱系障碍中寻找连接性与行为之间关系的能力(Gotts等,2013)。

应当指出,尽管GSR主要用作减少伪影的手段,但在某些情况下GSR可能因其他原因而有用的。零中心化通常被用作其他研究领域相关变量分析的策略,例如基因共表达模式研究(Langfelder和Horvath,2007)。

全局信号回归是否会引入虚假的反相关?

多项建模研究表明,全局信号回归可引入“伪影性”反相关,而这些反相关原本不存在于建模数据中(Anderson等,2010,Murphy等,2009,Saad等,2012)。Anderson等证明,在GSR过程中,任意两个网络之间会以其大小的线性函数形式引入反相关(Anderson等,2010)。Saad等使用3个ROI模拟了一项组比较研究,表明GSR改变了局部和长程相关性,导致在未建模为具有任何差异的区域出现组间差异(Saad等,2012)。这些使用少量区域的建模结果在多大程度上适用于可能具有更高维度的人类BOLD数据尚不清楚。

全局信号回归是否会在真实数据中引入虚假的反相关?

尽管虚假反相关在建模研究中明确存在,但在人类fMRI数据中观察到的反相关中哪些(如果有的话)也是虚假的尚不清楚。这个问题难以回答,因为缺乏明确的金标准来比较结果。因此,试图解决这一问题的研究往往得出不同的结论。当软组织纳入全局信号时,与眼眶的反相关被视为伪影性反相关可存在于人类数据中的证据(Anderson等,2010)。同样,多项研究仅在应用GSR时才观察到反相关(Ibinson等,2015,Weissenbacher等,2009)。然而其他研究发现未使用GSR时也存在反相关,提示它们可能不依赖于这一预处理步骤。例如,反相关可在生理噪声校正(Chang和Glover,2009)、基于成分的噪声减少(Chai等,2011)或摄入咖啡因(Wong等,2013)时观察到。

研究已尝试用互补技术确定抗相关网络的存在。经ECoG测量,正相关和负相关均显示出神经生理学相关性(Keller等,2013)。然而,GSR导致了一些在ECoG数据中不存在的BOLD抗相关。在清醒大鼠中,无论是否进行GSR,均观察到已在充分表征的额边缘回路中内边缘皮层与杏仁核之间的抗相关;然而,即使在GSR之后,麻醉大鼠中也不存在这种关系(Liang等,2011)。麻醉削弱了正相关并消除了负相关,提示在清醒大鼠中发现的抗相关并非仅由GSR预处理步骤所致。

GSR如何影响其他静息态指标?

已有研究探讨了GSR对图论指标和局部一致性的影响;然而,在没有金标准的情况下,难以判断这些影响是正面还是负面的。全局网络指标(Liang等,2012)和局部图指标(Borchardt等,2016)的显著差异可能受GSR影响。当实施GSR时,图论指标(平均聚类系数、模块度、富俱乐部系数、全局效率、小世界性)的遗传力估计值大幅降低(Sinclair等,2015)。由于GSR改变了左直方图尾部(最负相关)的网络拓扑结构,使聚类系数和同配性趋于零,因此基于相关系数绝对值构建的网络在GSR后受到损害(Schwarz和McGonigle,2010)。GSR降低了ReHo值,但空间分布不变(Qing等,2013)。在睁眼和闭眼条件下,ReHo的可重复差异存在于不同区域,具体取决于是否使用了GSR。

GSR是否有替代方法?

鉴于去除全局方差来源似乎具有一定价值,但GSR本身引入了阐释复杂性,许多替代GSR的方法已被提出,以规避这一“数学强制要求”。这些技术旨在去除由无趣来源(如生理噪声)产生的共同波动,以更好地聚焦于与神经活动区域特异性变化相关的波动。使用这些技术时,重要的是要记住所有预处理方法都会在一定程度上改变最终的相關结构,且难以判断这是有益还是有害。一种技术是在采集静息态fMRI数据的同时记录生理信号,然后去除相关方差(Birn,2012;Murphy等,2013)。运动混杂因素可以从数据本身估计并去除(Friston等,1996)。心脏和呼吸噪声可以使用RETROICOR(Glover等,2000)、RVT(Birn等,2006)、心率(Shmueli等,2007)和呼气末CO2校正(Murphy等,2013;Wise等,2004)等技术去除。

当生理数据未与MRI数据同时记录时,仍有替代GSR的方法,可仅利用MRI数据进行。可以基于非灰质信号的时间过程进行回归(Behzadi等,2007;Chai等,2011;Weissenbacher等,2009),或使用ICA将数据分解为信号和噪声成分(Griffanti等,2014;Perlbarg等,2007)。类似地,可以使用不同区域之间的偏相关来去除共享方差来源(Zhang等,2008)。也有人提出使用全局信号本身来估计受试者特异的呼吸和心脏响应函数(Falahpour等,2013)。

也有人提出了比GSR更复杂的基于数据的替代方法。开发了一种用于功能连接的随机子空间方法(RSMFC),该方法使用随机采样体素的多个子集来估计种子区域与每个目标脑体素之间的偏相关(Chen等,2013)。一种名为APPLECOR(生理大规模误差校正的仿射参数化)的数据驱动噪声校正方法,将空间上共同的生理噪声建模为加性项和均值依赖乘性项的线性组合(Marx等,2012)。有人提出了一种基于软组织信号相移的方法,例如来自眼睛的信号(PSTcor)(Anderson等,2010)。这些复杂技术与GSR相比都具有一些理论和实践优势,并可能产生不同的结果。然而,它们也有一个缺点,即与较简单的GSR方法相比,它们对数据的影响较不直观,研究也较少。

其他方法试图确定GSR何时适用。开发了一种名为全局平均值对功能连接影响(IGAFC)的指标,它提供了一个阈值,在该阈值下,回归掉全局信号的影响将大到足以引入虚假的反相关(Carbonell等,2013)。一项补充研究表明,对相关值进行自适应阈值处理可提高可靠性,主要通过考虑全局信号方差(Gorgolewski等,2012)。使用一个表征全局信号特性的框架,证明了全局信号的一部分可被视为一种加性混杂因素,它随平均BOLD振幅增加而增加,因此可以被最小化(He和Liu,2011)。

最近,许多审稿人鼓励在有和没有GSR的情况下重复分析,以确保结果(尤其是反相关)不仅仅是由GSR预处理造成的。一般来说,这种做法有助于结果解释。然而,使用替代方法去除全局信号的结果通常相当相似(Boes等,2015;Chai等,2011),而不对全局信号波动进行校正的结果可能相当不同(Fox等,2009;Gotts等,2013;Murphy等,2009;Saad等,2012;Wong等,2012)。在后一种情况下,在没有某种全局信号校正的情况下未能重现结果并不意味着结果是“伪影”。相反,这意味着为了产生所关注的发现,对全局信号波动进行某种校正是必要的,而试图重复该发现的尝试也可能受益于全局信号校正。

一致的观点

我应该使用全局信号回归吗?

不同的处理技术可能对大脑功能组织产生不同的互补见解,没有哪一种技术垄断了真理。例如,如果试图预测不同脑区对某项任务的反应,全局信号回归(GSR)似乎是有用的,因为它能正确预测活动相对增加或减少的空间分布。然而,如果试图预测在觉醒度发生大规模全局(及神经元)波动的情况下,植入电极所测量的脑区之间的电生理关系,那么不进行全局信号回归分析数据可能更为准确。“正确”的方法是对预测所关注特征最有用的方法。

一个简单的类比是分析刮风天池塘上的涟漪。如果目标是确定风的方向,则需要将全局波动包含在数据中进行分析。如果试图确定投入池塘的小卵石的位置,回归掉共同波动可能是关键。两种分析都不是对池塘“真实”本质的更准确表征。相反,如果应用和解释得当,它们提供的是互补信息。

另一个或许更贴切的类比来自临床实践中常规用于检测和定位癫痫发作的脑电图(EEG)数据分析。EEG电位可以相对于平均参考(即全局信号)显示,也可以相对于邻近电极甚至附着于耳朵的参考电极显示。“正确”的EEG蒙太奇是能让临床医生最好地看到癫痫样放电的那一种,而EEG数据通常以多种不同方式查看以最佳实现这一目标。

共识声明和建议

在此,我们尝试提出一些共识声明和建议,以帮助研究人员判断GSR在其特定实验假设背景下是否适用。1.使用包括GSR在内的任何技术对全局信号波动进行校正,都会对静息态功能连接结果产生显著影响。方法必须清晰描述,结果必须在所用方法的背景下进行解释。

全局信号回归(GSR)的数学原理要求,使用该处理步骤进行的功能连接分析在单个受试者的所有体素上显示的正值和负值平均值均为零。

GSR可以在原本不包含模拟抗相关的模拟数据中引入“伪”抗相关。推而广之,GSR后在人fcMRI数据中观察到的抗相关在类似意义上可能是“伪”的。某些人fcMRI抗相关是否在此意义上确实是“伪”的,是一个独立的问题,且在没有“金标准”的情况下难以检验。

GSR的数学原理并不规定抗相关的特定空间分布、抗相关在组内的一致性,也不规定组水平随机效应分析后存在统计学显著的抗相关。因此,存在使用GSR处理的静息态连接数据未显示显著抗相关的例子。

已有报道指出GSR具有若干优势,包括与基于DTI的解剖结构关系更密切、对皮层下核团的描绘更好、正相关的特异性提高,以及去除已知与全局信号相关的运动、心脏和呼吸信号。

已提出若干GSR的替代方法,这些方法在技术上避免了上述“数学强制”,同时旨在去除对共同波动的无意义贡献。然而,所有预处理方法都会在一定程度上改变相关结构。技术上避免数学强制并不意味着避免了解释问题。

全局信号由神经信号和非神经信号共同组成。在解释结果时应考虑到这一事实。

在比较具有不同噪声特征或不同神经网络结构的组时,应谨慎使用GSR。GSR可能对各组产生不同影响,以不同程度的成功去除噪声,或将节点变化扩散至整个网络。

总结

总之,在静息态功能连接数据的处理中纳入全局信号回归本质上并无对错之分。GSR是否是有用的处理步骤可能取决于所要解决的科学问题。结果必须在所应用预处理方法的背景下进行恰当解释,不同方法可能为大脑功能组织提供互补的见解。

引用

  1. Murphy K, Fox MD. Towards a consensus regarding global signal regression for resting state functional connectivity MRI. Neuroimage. 2016. PMID: 27888059. doi:10.1016/j.neuroimage.2016.11.052
  2. 全文:PMC5489207(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5489207/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。